上次博客已经大概完成了map_service.py的主体，但仍存在问题

1.USERKEY_PLAT_NOMATCH的原因

这个错误 USERKEY_PLAT_NOMATCH 的意思是“Key 与平台不匹配”，第一次在高德开放平台申请 Key 的时候，选择的是“Web 端”，但在 Python 代码里调用的是“Web 服务 API”，于是删掉原先申请的Key，重新新建一个Web服务类型的Key，发现已经可以成功找到关键词“地铁站”的相关信息。

2.KeyError: 'code'

对于此处报错的原因我不是很清楚，好像是由于IP 不匹配，高德就会拒绝服务，导致高德 API 返回了错误信息，我决定改用“距离测量 API”，便于估算时间。

现在已经基本实现了POI以及通勤信息获取功能。

3.优化数据存储

为了满足任务 2.4 的评分需求，我们需要建立清晰的“房源-配套-通勤”关系。

1. 引入 house_id：所有的 POI 和通勤数据，都必须绑定一个 house_id（房源 ID）。
2. 存储通勤数据：将计算出的通勤时间写入 commute_data 表。
3. 优化 POI 存储：在 poi_data 表中增加 house_id 字段，表明这是“该房源”周边的配套。

   class MapService:
       def __init__(self, db_name="house_data.db"):
           """
           初始化：连接数据库并建表
           """
           self.conn = sqlite3.connect(db_name)
           self.create_tables()
   
       def create_tables(self):
           """
           【重构重点】
           1. POI 表增加 house_id：用于区分不同房源的周边数据
           2. 确保通勤表存在
           """
           cursor = self.conn.cursor()
   
           # --- 1. 房源表 (新增：为了关联数据，我们需要一个简单的房源表) ---
           # 在实际爬虫项目中，这个表通常由爬虫主程序创建
           # 这里我们为了完整性加上，如果已存在则忽略
           cursor.execute('''
               CREATE TABLE IF NOT EXISTS house_info (
                   id INTEGER PRIMARY KEY AUTOINCREMENT,
                   title TEXT,
                   longitude TEXT,
                   latitude TEXT
               )
           ''')
   
           # --- 2. POI 配套表 (增加 house_id 字段) ---
           cursor.execute('''
               CREATE TABLE IF NOT EXISTS poi_data (
                   id INTEGER PRIMARY KEY AUTOINCREMENT,
                   house_id INTEGER,          -- 关联的房源ID
                   name TEXT NOT NULL,        -- 配套名称（如：万达广场）
                   type TEXT,                 -- 类型（如：购物、地铁）
                   distance REAL,             -- 距离（米）
                   address TEXT,
                   FOREIGN KEY(house_id) REFERENCES house_info(id)
               )
           ''')
   
           # --- 3. 通勤表 ---
           cursor.execute('''
               CREATE TABLE IF NOT EXISTS commute_data (
                   id INTEGER PRIMARY KEY AUTOINCREMENT,
                   house_id INTEGER,          -- 关联的房源ID
                   destination_name TEXT,     -- 目的地名称（如：高新万达）
                   duration_min REAL,         -- 耗时（分钟）
                   distance_m REAL,           -- 距离（米）
                   FOREIGN KEY(house_id) REFERENCES house_info(id)
               )
           ''')
   
           self.conn.commit()
   

   修改优化建表函数，新增房源表house_info，并且将主键idhouse_id加入POI表和通勤表中

4.测试优化过后的存储功能

编写测试代码

if __name__ == "__main__":
    print("=== 开始测试地图服务 (含存储) ===")
    ms = MapService()

    # 模拟数据库里已经有了一个房源，ID 为 1
    # 在实际爬虫中，这里会是 insert into house_info ... returning id
    current_house_id = 1
    my_location = "117.120729,36.683369"  # 房源坐标
    target_location = "117.032434,36.667890"  # 公司坐标

    # 1. 测试：搜索周边并存库
    print(f"\n[1/2] 正在搜索并存储房源 {current_house_id} 的周边地铁...")
    ms.search_poi_around(
        house_id=current_house_id,
        location=my_location,
        keyword="地铁站"
    )
    print("周边数据已存入 poi_data 表 (带 house_id)")

    # 2. 测试：计算通勤并存库
    print(f"\n[2/2] 正在计算并存储通勤...")
    duration, distance = ms.calculate_and_save_commute(
        house_id=current_house_id,
        origin_loc=my_location,
        dest_name="高新万达",
        dest_loc=target_location
    )

    if duration > 0:
        print(f"通勤数据已存入 commute_data 表: {duration}分钟, {distance}米")

    print("\n=== 测试结束 ===")
    print("请打开 SQLite Viewer 查看 house_data.db 文件。")
    print("你会看到 poi_data 和 commute_data 表中都有了 house_id=1 的数据。")

结果符合情况，在插件SQLite Viewer中可查看

5.小总结

map_service.py暂告段落，等到合并时再做完善工作，下次博客准备开始编写scoring_model.py